-
时序神经网络概述
- 金融时间序列预测领域神经网络架构演进：从RNN到LSTM/GRU，再到TCN和Transformer，各模型在处理长期依赖和海量数据方面各有优势。
- NARX模型特点：带外部输入的非线性自回归网络，强调未来值受自身历史和外部因素滞后影响，数学表达式为 \(y_t = f(y_{t-1}, ..., y_{t-d_y}, x_{t-d_x}, ..., x_t) \)。
-
NARX神经网络模型
- 模型结构：输入层（外部信号）、时延层（历史数据序列）、隐含层（非线性特征提取）、输出层（预测值并反馈）。
- 训练架构：开环（训练阶段，用真实值反馈）和闭环（预测阶段，用预测值反馈）。
- 模型优势：
- 直观且可解释性强，结构类似线性ARX模型。
- 分离式输入结构，可控性强，可独立调控自回归和外生部分。
- 训练高效稳定，开环训练规避梯度问题。
- 数据量需求小，效率高，强归纳偏置使其泛化性能优。
- 与其他模型对比：NARX在可解释性和数据效率上优于LSTM/GRU，但处理复杂长期依赖和海量数据时，TCN和Transformer更具优势。
-
基于NARX模型的指数择时策略构建
- 指数走势拐点预测：将走势模式划分为转折点（顶点或底点）和持续点，用7日区间定义局部顶底。
- 输入输出设定：
- 输入指标：8个代表指标（价格、量能、波动性、拥挤度、资金流），经极差标准化处理。
- 输出：转折点或持续点，用0或1标记。
- 择时框架设定：
- 择时标的：沪深300、中证500、中证1000。
- 数据区间：2016.01.01-2025.09.03，训练集2016-2022，预测集2023-2025。
- 训练函数：LM算法，损失函数：MSE，隐含层节点数：hiddenSizes，输入/反馈滞后阶数：Delays。
- 择时策略：
- 输出大于M日均线为转折点，否则为持续点。
- 转折点若处于前3日最低点，做多；若处于前3日最高点，做空。
- 持仓期间产生信号则平仓并执行新信号，以第二天下开盘价开仓，收盘价平仓，单次信号持有N天，设置10%止损。
- 信号准确率评价：
- 评价指标：综合准确率、有效识别率、识别准确率。
- 调整准确率：若与实际顶底点相差1个交易日且幅度0.05%以内，也判定识别准确。
-
宽基指数择时测试
- 沪深300：
- 净值与绩效：2023年9.6%年化收益率，夏普比率0.80，胜率63.6%。
- 信号准确率：调整1（相差1天且幅度0.05%）准确率60.0%。
- 信号图表：多空信号标记清晰。
- 中证500：
- 净值与绩效：2024年47.8%年化收益率，夏普比率1.68，胜率83.3%。
- 信号准确率：调整1准确率58.0%。
- 信号图表：多空信号标记清晰。
- 中证1000：
- 净值与绩效：2024年41.3%年化收益率，夏普比率1.58，胜率83.3%。
- 信号准确率：调整1准确率56.3%。
- 信号图表：多空信号标记清晰。
-
总结与未来研究方向
- NARX模型对指数阶段性顶底部识别能力良好，其“白盒”结构兼具非线性拟合能力和可解释性，适合融入金融先验知识。
- 未来研究方向：
- 特征工程优化：引入市场情绪、宏观事件等多元另类数据。
- 模型结构创新：结合NARX与注意力机制的混合模型。
- 分路径差异化建模：为自回归与外生部分独立设计结构超参数。
